电能质量异常数据在线检测方法

doi:10.3778/j.issn.1002-8331.1901-0084

计算机工程与应用 ›› 2020, Vol. 56 ›› Issue (9): 240-247.DOI: 10.3778/j.issn.1002-8331.1901-0084

电能质量异常数据在线检测方法

刘杰，房俊，雷峰津

1.北方工业大学计算机学院，北京 100144
2.大规模流数据集成与分析技术北京市重点实验室，北京 100144

出版日期:2020-05-01 发布日期:2020-04-29

On-Line Detection Method for Abnormal Data of Power Quality

LIU Jie, FANG Jun, LEI Fengjin

1.Department of Computer, North China University of Technology, Beijing 100144, China
2.Beijing Key Laboratory on Integration and Analysis of Large-Scale Stream Data, Beijing 100144, China

Online:2020-05-01 Published:2020-04-29

摘要/Abstract

摘要：

电网电能质量监测数据大多数监测指标具有周期性变化规律、波动性大等特征，现有的异常数据检测方法在针对此类数据做异常值检测时具有适应性差等问题。针对上述问题，将控制图和时间序列数据预测方法有机结合，提出了基于控制图的动态阈值电能质量异常数据在线检测方法。利用电能质量数据的变化趋势数据替代控制图中心线，将控制图的控制线化直为曲，结合ARIMA模型动态计算控制图的控制线，实现了电能质量异常数据的在线检测。实验结果表明提出的方法是有效的。

关键词: 异常检测, 动态阈值, 控制图, 电能质量

Abstract:

The most indicators data of power quality have the characteristics of periodic variation and wide fluctuation range. The existing abnormal detection methods have the problem of poor adaptability when detecting abnormal values of these data. Aiming at the above problems, this paper organically combines the control chart and time series data prediction method, proposes an online detection method for power quality anomaly data based on the control chart and dynamic threshold. The trend data of power quality data is used to replace the center line of the control chart. The control lines of the control chart are dynamically calculated by combining the control chart with the ARIMA model. Experimental results show that the proposed method is effective.

Key words: abnormal detection, dynamic threshold, control chart, power quality

刘杰，房俊，雷峰津. 电能质量异常数据在线检测方法[J]. 计算机工程与应用, 2020, 56(9): 240-247.

LIU Jie, FANG Jun, LEI Fengjin. On-Line Detection Method for Abnormal Data of Power Quality[J]. Computer Engineering and Applications, 2020, 56(9): 240-247.

[1]	孙玮婕，杨军. 改进的简单非迭代聚类的遥感影像分割研究[J]. 计算机工程与应用, 2021, 57(13): 185-192.
[2]	张博文，刘智，桑国明. 基于核密度波动的异常检测算法[J]. 计算机工程与应用, 2021, 57(12): 132-136.
[3]	麻琛彬，张政波，王晶. 基于深度学习的生理异常检测研究综述[J]. 计算机工程与应用, 2021, 57(10): 10-25.
[4]	吴楚田，陈永乐，陈俊杰. 多协议交叉的HMM协议异常检测算法[J]. 计算机工程与应用, 2020, 56(8): 81-86.
[5]	黎佳玥，赵波，李想，刘会，刘一凡，邹建文. 基于深度学习的网络流量异常预测方法[J]. 计算机工程与应用, 2020, 56(6): 39-50.
[6]	贺寰烨，林果园，顾浩，方梦华. 云虚拟机异常检测场景下改进的LOF算法[J]. 计算机工程与应用, 2020, 56(23): 80-86.
[7]	展鹏，陈琳，曹鲁慧，许浩然，李学庆. 核转折点裁剪表示的时间序列异常检测算法[J]. 计算机工程与应用, 2020, 56(23): 130-138.
[8]	刘文芬，穆晓东，黄月华. 基于多分辨率网格的异常检测方法[J]. 计算机工程与应用, 2020, 56(17): 78-85.
[9]	张常华，周雄图，张永爱，姚剑敏，郭太良，严群. 深度自编码器在数据异常检测中的应用研究[J]. 计算机工程与应用, 2020, 56(17): 93-99.
[10]	熊逸，梁意文，谭成予，周雯. 基于反向选择的地震前兆观测数据异常检测[J]. 计算机工程与应用, 2020, 56(10): 226-230.
[11]	崔芳怡1，荆晓远2，董西伟2，3，吴飞2，孙莹2. 自适应蝙蝠算法优化的模糊聚类及其应用[J]. 计算机工程与应用, 2019, 55(7): 16-22.
[12]	杨飞跃，陶洋. 时空协作的WSNs节点异常检测算法[J]. 计算机工程与应用, 2019, 55(7): 127-131.
[13]	王凯，陈丹伟. 基于LSTM的动态图模型异常检测算法研究[J]. 计算机工程与应用, 2019, 55(5): 76-82.
[14]	贺亮1，王永程1，李赟1，褚衍杰1，沈超2. 基于Lindeberg-Feller定理的网络异常检测算法[J]. 计算机工程与应用, 2019, 55(4): 41-47.
[15]	吴瑶瑶1，杨庚1，2. 云环境下分布式文件系统负载均衡研究[J]. 计算机工程与应用, 2019, 55(10): 67-72.

电能质量异常数据在线检测方法

On-Line Detection Method for Abnormal Data of Power Quality

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics